Синтез узагальнених нейронних елементів за допомогою матриць толерантності

Автор(и)

  • Fedir Geche ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-4757-9828
  • Oksana Mulesa ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-6117-5846
  • Viktor Buchok ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-1992-7290

DOI:

https://doi.org/10.15587/1729-4061.2017.108404

Ключові слова:

матриця толерантності, ядро булевої функції, характер групи, спектр булевої функції

Анотація

На основі властивостей матриць толерантності і ядер булевих функцій встановлено критерій реалізованості функцій алгебри логіки одним узагальненим нейронним елементом відносно довільної системи характевів. Отримано ряд необхідних та достатніх умов реалізованості булевих функцій одним узагальненим нейронним елементом і на основі достатніх умов розроблено ефективний алгоритм синтезу цілочислових узагальнених нейронних елементів з великим числом входів

Біографії авторів

Fedir Geche, ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000

Доктор технічних наук, професор, завідувач кафедри

Кафедра кібернетики і прикладної математики

Oksana Mulesa, ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000

Кандидат технічних наук, доцент

Кафедра кібернетики і прикладної математики

Viktor Buchok, ДВНЗ "Ужгородський національний університет" пл. Народна, 3, м. Ужгород, Україна, 88000

Аспірант

Кафедра кібернетики і прикладної математики

Посилання

  1. Grytsyk, V. V., Tsmots, I. G., Skorokhoda, O. V. (2014). Methods of parallel vertical data processing in neural networks. Reports of the National Academy of Sciences of Ukraine, 10, 40–44.
  2. Tsmots, I. G., Skorokhoda, O. V., Vavruk, I. Ye. (2012). Principles of construction and methods of VLSI-implementation of real time neural networks. Scientific Bulletin of Ukrainian National Forestry University, 6, 292–300.
  3. Tkachenko, R., Doroshenko, A. (2009). Neiropodibni struktury mashyny heometrychnykh peretvoren u zavdanniakh intelektualnoho analizu danykh. Kompiuterni nauky ta informatsiini tekhnolohii, 638, 179–184.
  4. Izonin, I. V., Tkachenko, R. O., Peleshko, D. D., Batyuk, D. A. (2015). Neural network method for change resolution of images. Information Processing Systems, 9 (134), 30–34.
  5. Marín, D., Aquino, A., Gegundez-Arias, M. E., Bravo, J. M. (2011). A New Supervised Method for Blood Vessel Segmentation in Retinal Images by Using Gray-Level and Moment Invariants-Based Features. IEEE Transactions on Medical Imaging, 30 (1), 146–158. doi: 10.1109/tmi.2010.2064333
  6. Azarbad, M., Hakimi, S., Ebrahimzadeh, A. (2012). Automatic recognition of digital communication signal. International journal of energy, information and communications, 3 (4), 21–33.
  7. Zaychenko, Yu. P., Dyakonova, S. V. (2011). Application of fuzzy classifier NEFCLASS to the problem of recognition of buildings in satellite images of ultrahigh resolution. Computer science, upravlіnnya that obchislyuvalna tehnіka, 54, 31–35.
  8. Amato, F., González-Hernández, J. L., Havel, J. (2012). Artificial neural networks combined with experimental design: A “soft” approach for chemical kinetics. Talanta, 93, 72–78. doi: 10.1016/j.talanta.2012.01.044
  9. Brougham, D. F., Ivanova, G., Gottschalk, M., Collins, D. M., Eustace, A. J., O’Connor, R., Havel, J. (2011). Artificial Neural Networks for Classification in Metabolomic Studies of Whole Cells Using1H Nuclear Magnetic Resonance. Journal of Biomedicine and Biotechnology, 2011, 1–8. doi: 10.1155/2011/158094
  10. Barwad, A., Dey, P., Susheilia, S. (2011). Artificial neural network in diagnosis of metastatic carcinoma in effusion cytology. Cytometry Part B: Clinical Cytometry, 82B (2), 107–111. doi: 10.1002/cyto.b.20632
  11. Geche, F., Mulesa, O., Geche, S., Vashkeba, M. (2015). Development of synthesis method of predictive schemes based on basic predictive models. Technology Audit and Production Reserves, 3 (2 (23)), 36–41. doi: 10.15587/2312-8372.2015.44932
  12. Dey, P., Lamba, A., Kumari, S., Marwaha, N. (2011). Application of an artificial neural network in the prognosis of chronic myeloid leukemia. Analytical and quantitative cytology and histology/the International Academy of Cytology and American Society of Cytology, 33 (6), 335–339.
  13. Geche, F., Batyuk, A., Mulesa, O., Vashkeba, M. (2015). Development of effective time series forecasting model. International Journal of Advanced Research in Computer Engineering &Technology, 4 (12), 4377–4386.
  14. Liu, A., Zhu, Q. (2011). Automatic modulation classification based on the combination of clustering and neural network. The Journal of China Universities of Posts and Telecommunications, 18 (4), 13–38. doi: 10.1016/s1005-8885(10)60077-5
  15. Pathok, A., Wadhwani, A. K. (2012). Data Compression of ECG Signals Using Error Back Propagation (EBP) Algorithm. International Journal of Engineering and Advence Technology (IJEAT), 1 (4), 2249–8958.
  16. Bodyanskiy, Y., Grimm, P., Mashtalir, S., Vinarski, V. (2010). Fast Training of Neural Networks for Image Compression. Lecture Notes in Computer Science, 165–173. doi: 10.1007/978-3-642-14400-4_13
  17. Shovgun, N. V. (2013). Analiz effektivnosti nechetkih neyronnyh setey v zadache otsenki kreditnogo riska. Information technologies & knowledge. ITHEA IBS ISC, 7, 286–293.
  18. Kertis, Ch., Rayner, I. (1969). Teoriya predstavleniy konechnyh grupp i assotsiativnyh algebr. Moscow: Nauka, 667.
  19. Golubov, B. I., Efimov, A. V., Skvortsov, V. A. (1987). Ryady i preobrazovaniya Uolsha. Teoriya i primeneniya. Moscow: Nauka, 343.
  20. Dertouzos, M. (1967). Porogovaya logika. Moscow: Mir, 342.
  21. Ayzenberg, N. N., Bovdi, A. A., Gergo, E. Y., Geche, F. E. (1980). Nekotorye algebraicheskie aspekty porogovoy logiki. Kibernetika, 2, 26–30.
  22. Yadzhima, S., Ibaraki, T. (1969). Nizhnyaya otsenka chisla porogovyh funktsiy. Vol. 6. Kiberniticheskiy sbornik: novaya seriya. Moscow: Mir, 72–81.
  23. Geche, F., Mulesa, O., Buchok, V. (2017). Verification of realizability of boolean functions by a neural element with a threshold activation function. Eastern-European Journal of Enterprise Technologies, 1 (4 (85)), 30–40. doi: 10.15587/1729-4061.2017.90917

##submission.downloads##

Опубліковано

2017-08-30

Як цитувати

Geche, F., Mulesa, O., & Buchok, V. (2017). Синтез узагальнених нейронних елементів за допомогою матриць толерантності. Eastern-European Journal of Enterprise Technologies, 4(4 (88), 50–62. https://doi.org/10.15587/1729-4061.2017.108404

Номер

Том 4 № 4 (88) (2017): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2017 Fedir Geche, Oksana Mulesa, Viktor Buchok

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.